Разработали и внедрили AI-помощника, который подключается к корпоративной SFA/CRM-системе и использует её данные для подготовки рекомендаций сотруднику. Помощник собирает факты по выбранному объекту, сравнивает их с планом и группой сопоставимых объектов и формирует проверяемые выводы.
ИИ работает как слой интерпретации и генерации поверх рассчитанных показателей и корпоративных данных:
-
преобразует метрики и отклонения в понятные рекомендации с аргументацией на конкретных цифрах;
-
предлагает следующие шаги (Next Best Action / Next Best Offer) на основе сравнений с планом и сопоставимой группой, а также внутренних правил и справочников;
-
формирует структурированные тезисы для коммуникации с клиентом — короткие подсказки для обсуждения ассортимента, продаж и оборудования, не подменяя систему учёта.
Рекомендации можно проверить: рядом с ними отображаются исходные показатели и сравнения, а финальное решение остаётся за пользователем.
Вызовы
-
Разные каналы и качество данных. Часть информации доступна через REST API, часть приходит в виде регулярных выгрузок, а обновления могут запаздывать. Требовался устойчивый сценарий синхронизации и работы при неполных данных.
-
Фактическая точность рекомендаций. Нельзя было допустить расхождений между советами помощника и данными корпоративной системы, поэтому выводы жёстко привязали к проверяемым входным показателям.
-
Понятные объяснения, а не просто текст. Пользователю нужен был не абстрактный совет, а объяснение через конкретные цифры и сравнения, чтобы рекомендацию можно было быстро проверить.
-
Эксплуатационная управляемость. Требовались прозрачная диагностика ошибок интеграции, повторные попытки запросов при сбоях и наблюдаемость, чтобы поддержка не превращалась в ручной разбор инцидентов.
Решения
-
Интеграция с резервным сценарием. Реализовали основной обмен через REST API и резервный контур через CSV/XLSX-выгрузки и ETL, добавили кэширование для снижения зависимости от доступности источника.
-
Стандартизированный вход для анализа. Ввели единый формат «пакета данных», который собирается перед генерацией рекомендаций: показатели по объекту, история операций и заказов, сравнение с сопоставимой группой, справочники и плановые ориентиры, если они доступны.
-
Прозрачный результат и подтверждение пользователем. Вместе с рекомендациями отображаются ключевые исходные данные, а предложенные следующие шаги остаются на подтверждении пользователя.
-
Контур надёжности и наблюдаемости. Настроили обработку ошибок и повторные запросы, централизовали логи и метрики, добавили алерты для контроля стабильности и качества данных.
Что реализовали
-
Рабочие AI-сценарии в пользовательском потоке. Реализовали цепочку действий от выбора объекта до получения рекомендаций и подсказок, включая генерацию объяснений и аргументации на основе рассчитанных показателей.
-
RAG для корпоративного контекста. Подключили поиск по базе знаний — процедурам, правилам, стандартам и справочным материалам, — чтобы ответы опирались на актуальные внутренние документы и были единообразными по формату и терминологии.
-
AI-оркестрация и генерация рекомендаций. Реализовали сервис, который принимает стандартизированный «пакет данных», применяет правила и контекст, в том числе из базы знаний, и выдаёт структурированный результат: выводы, рекомендации и следующие шаги.
-
Интеграционный сервис и синхронизация данных. Подняли коннекторы к корпоративной системе, настроили расписания обновления и правила деградации при частичной недоступности данных.
-
Расчёты для сравнительной аналитики. Внедрили вычисление ключевых метрик — средних и последних значений, сравнение с сопоставимой группой, анализ состава позиций и ассортимента — и сбор этих данных для последующего анализа и генерации рекомендаций.
-
Проверки качества и диагностика. Подготовили интеграционные тесты и проверки корректности данных, а также дашборды и логи для анализа качества рекомендаций и разбора инцидентов.